💻 计算机科学
Reproducible Hybrid Ensemble Learning for Drought Forecasting
本研究提出了一种可复现的混合集成学习框架，该框架将经典机器学习与深度学习模型同领域驱动的特征工程及卫星数据相结合，旨在实现对赞比亚稳健且具适应性的干旱预测，并强调方法论的透明度与业务可扩展性，而非仅仅追求相对于梯度提升等单一算法的微小性能提升。
💻 Category
cs
4075 篇论文
💻 计算机科学
Arabic Clinical Decision Support under a Limited GPU Budget: LoRA versus Full Fine-Tuning for Medical Question Answering
本研究表明，虽然在阿拉伯语临床问答任务中，全参数微调最初的表现优于默认的低秩自适应（LoRA），但一种配置良好的 LoRA 策略——特别是 4-bit QLoRA——能够在有限的 GPU 预算下有效达到与全参数微调相当的性能，使其成为一种充分且高效的适配选择。
💻 计算机科学
Mechanism-oriented tendency-integration operator networks for PDE foundation models
本文引入了面向机制的算子网络，通过学习演化路径显式地整合物理机制，并通过干预与等价性测试证明，这种组织方式增强了偏微分方程基础模型在不同物理系统与机制下的泛化性、准确性及可解释性。
💻 计算机科学
AAMIL-Net: Prototype-Calibrated Activity Guided Attention Fusion for Multi-Instance Learning
本文介绍了 AAMIL-Net，一种新颖的多实例学习框架，该框架通过原型校准的活动评分、自适应模糊边界和对比实例正则化解决了注意力-置信度失配问题，在无需外部预训练的情况下，在多种基准测试中实现了最先进的性能。
💻 计算机科学
An Optimized Stacking Ensemble Model for Forecasting Student Dropout
本研究提出了一种集成了K-最近邻与贝叶斯网络分类器并经过超参数调优及基于SMOTE平衡处理增强的优化堆叠集成模型，该模型实现了85.9%的准确率，并优于现有方法，从而为预测学生辍学提供了一种有效的预警工具。
💻 计算机科学
Transition-Aware Short-Term Traffic Congestion Prediction: Efficient Gradient Boosting versus Spatio-Temporal Graph Neural Networks
本文通过引入一个状态转换感知评估框架（TRSP），并证明高效且具有可解释性的特征工程梯度提升模型在检测状态转换方面能够达到或超越深度学习基准模型，同时显著降低计算成本，从而挑战了在短期交通拥堵预测中对标准深度时空图神经网络和聚合准确率指标的依赖。
💻 计算机科学
YOLO-RCD: A Lightweight Pavement Damage Detector Validated by Controlled Multi-Seed Reproduction and Measured Edge Deployment
本文介绍了 YOLO-RCD，这是一种轻量级路面损伤检测器，通过严格的多种子受控协议进行验证，并利用测试时增强来降低零样本迁移成本，使其在边缘硬件上的准确率和能效均优于最先进的基准模型。
💻 计算机科学
Do Option-Elimination Logs Improve Student Models? A Preregistered Negative Result on EdNet-KT4
这项关于 EdNet-KT4 数据集的预注册研究得出结论，在学生模型中加入选项排除日志对于预测正确性或对讲座消耗进行排序并无统计学上的显著改进，从而论证了不应将它们纳入所评估的模型中。
💻 计算机科学
An Inter-variable Relationship-Aware Mixture-of-Experts Model for Stock Closing-Price Prediction
该论文提出了 IR-MoE，一种变量间关系感知混合专家 Transformer，它通过显式建模交易变量间的动态依赖关系，并采用稀疏路由结合股票级打乱训练策略，实现了在不同全球股票市场中卓越的预测准确率和零样本泛化能力。
💻 计算机科学
ECFNet: Enhanced Cross-modal Fusion Network for RGB-D Salient Object Detection
本文提出了 ECFNet，这是一个基于 Swin Transformer 的 RGB-D 显著性目标检测框架，通过包括交叉门控残差融合、预测引导的渐进式聚合、门控跳跃连接以及边缘细化模块在内的协作交互机制来保留模态特定特征，从而提升性能，并在八个基准数据集上达到了最先进的结果。